Media bias

1. \(WTP_{d}\) - Gewichtete Themenwahrscheinlichkeit pro Dokument berechnen

1. Sentiment analyse - Wie ist die Tonalität eines Dokuments?

\[SC_d\]

2. Structural topic model (STM) - Welche Themen werden in den Artikeln mit welcher Wahrscheinlichkeit besprochen?

\[\theta_d = [\theta^1_{d},...,\theta^{k}_{d}]'\]

3. Weighted topic distribution (WTP) - Gewichtete Themenwahrscheinlichkeit pro Dokument

\[ WTP_{d} = [\theta^1_{d}*SC_d,...,\theta^{k}_{d}*SC_d]\]

2. Gewichtete Themenwahrscheinlichkeit pro Medium \(m\) pro Thema \(k\)

• Für jedes Medium werden alle Dokumente aggregiert und so für jedes Thema die durchschnittliche gewichtete Themenwahrscheinlichkeit berechnet.

3. Parteispezifische Themen definieren

• Aus dem STM erhalten wir pro Thema eine Wahrscheinlichkeitsverteilung über alle Wörter.
• Die wahrscheinlichsten Wörter jedes Themas werden verwendet, um zu überprüfen ob das Thema \(k\) einer Partei \(p\) zugeordnet werden kann.
• Ein Thema kann verschiedenen Parteien zugeordnet werden.

4. Gewichte Themenwahrscheinlichkeit pro Medium \(m\) pro Partei \(p\)

• Aggregiert über alle parteispezifischen Themen pro Medium ergibt den Media Bias Wert eines Mediums für eine Partei.

online Nachrichten (n=16.473)

• Alle öffentliche Nachrichten der Anbieter gescraped über die Webhose.io API

• Um nur Nachrichten über nationale Politik zu verwenden, wurden die Artikel auf Grundlage ihrer URL gefiltert

• Beispiel: http://www.spiegel.de/politik/deutschland/christian-lindner-ukraine-kritisiert-fdp-chef-scharf-der-morgen-live-a-1161196.html

Pressemitteilungen (n=2284)

• Pressemitteilungen auf den öffentlich zugänglichen Webseiten der Parteien und Fraktionen

• Rechtliche Trennung zwischen den Pressemitteilungen von Parteien und deren Bundestagsfraktionen: Laut Parteigesetzt §25 (2) dürfen Fraktionen ihre Parteien nicht im Wahlkampf unterstützen

• Dennoch nehme ich an, dass auch die Pressemitteilungen der Fraktionen einen Einfluss auf die öffentliche Wahrnehmung haben (Kepplinger and Maurer, 2004).

a. Sentiment analyse

To measure the tone (or sentiment) of an article a dictionary-based method is applied. To conduct such an analysis, a list of words (dictionary) associated with a given emotion, such as negativity is pre-defined. The document is then deconstructed into individual words and each word is assigned a sentiment value according to the dictionary, where the sum of all values results in the emotional score for the given document.

• SentimentWortschatz

\(SC_d\) is defined as the number of all positive words minus negative words divided by the total number of words of each document \(d\)

\[SC_d=\frac{\text{summe pos. wörter}_d - \text{summe neg. wörter}_d}{\text{summe wörter}}\]

A sample document

model_df2 %>% 
  group_by(source, type) %>% 
  summarise(meanSent_dummy = mean(sent_dummy, na.rm = T)) %>%
  ggplot(aes(source, meanSent_dummy)) +
  geom_segment( aes(x=source ,xend=source, y=0, yend=meanSent_dummy), color="grey") +
  geom_point(size=3, color=color) +
  coord_flip() +
  ggthemes::theme_hc() +
  labs(x=NULL, y=NULL, title="Average Sentiment value") +
  facet_wrap(~type, scales = "free_y") +
  theme(
    panel.grid.minor.y = element_blank(),
      panel.grid.major.y = element_blank()
  )

b. Strucutral Topic Model

To discover the latent topics in the corpus of press releases and news articles, a structural topic modeling (STM) developed by Roberts (2016) is applied. The STM is an unsupervised machine learning approach that models topics as multinomial distributions of words and documents as multinomial distributions of topics, allowing to incorporate external variables that effect both, topical content and topical prevalence.

Der generative Prozess des STM generiert zwei posterior Wahrscheinlichkeiten:

1. Word-topic Posterior: \(\Phi_c\) ist eine \(K\) x \(V\) Matrix (mit \(K=\) Anzahl der Themen und \(V=\) Vokabular), wobei der Eintrag \(\phi_{k,v}\) als Wahrscheinlichkeit interpretiert werden kann, dass Term \(v\) in Thema \(k\) vorkommt

2. Document-topic Posterior: \(\Theta\) ist eine \(D\) x \(K\) Matrix (mit \(D=\) Anzahl der Dokumente und \(K=\) Anzahl der Themen), wobei der Eintrag \(\theta_{d,k}\) als Wahrscheinlichkeit interpretiert werden kann, dass das Dokument \(d\) das Thema \(k\) beinhaltet.

c. Weighted topic probability

In order to measure topic-specific tone, the sentiment values are combined with the results of the STM procedure.

\[\text{WTP}^k_d=\theta^{k}_{d}*\text{SC}_d\]

CDU

x <- "CDU"
plotTopics(x)

SPD

x <- "SPD"
plotTopics(x)

B90/Die Grünen

x <- "B90/GRÜNE"
plotTopics(x)

AfD

x <- "AfD"
plotTopics(x)

FDP

x <- "FDP"
plotTopics(x)

DIE LINKEN

x <- "DIE LINKE"
plotTopics(x)

Rescaled

ggiraphExtra::ggRadar(radar, aes(color = source),
                      rescale = T,
                      alpha = 0) +
  theme_hc() +
  labs(title="Weighted topic probability") +
  scale_color_viridis_d() +
  theme(legend.position = "none"
        #,legend.title = element_blank()
        ) +
   guides(col = guide_legend(ncol = 1)) +
    facet_wrap(~source, nrow = 2)